本文提出了针对有向最大祖先图的马尔科夫等价的转换性特征，类似于Chickering (1995)中对于有向无环图的特征，该特征有利于推导有马尔科夫等价图之间共享的性质和证明GES算法渐近正确性，对于搜寻最大祖先图的模型具有类似的用途。

Jul, 2012

本文研究了依赖知识和图结构之间的关系，提出了基于因果输入列表的DAG的分离规则，为读取任何DAG中的独立性提供了一个可靠的方法。

Mar, 2013

我们提出了第一个 UCCA 解析器，它是一个跨语言适用的语义表示框架，具有重要的形式特性，包括reentrancy、不连续结构和复杂的语义单元。我们提出的基于双向LSTMs的转移式解析器不仅适用于UCCA解析，还能够扩展到其他具有类似形式属性的语义DAG结构的解析。

Apr, 2017

本文提出了一种基于优化问题的连续方法，来解决结构学习问题，避免了组合约束，并有效地提高算法效率。该方法在没有强加任何结构假设的情况下，优于其它现有方法。

Mar, 2018

该研究论文介绍了一种基于深度生成模型的有向无环图变分自编码器，利用图神经网络异步消息传递编码DAG的计算，达到了搜索性能更好的DAG的目的，并在神经网络结构搜索和贝叶斯网络结构学习等任务中证明了其有效性。

Apr, 2019

本文提出了一种基于partial ordering的神经网络结构--DAGNN，该结构在DAG数据集上的表现优于先前的DAG结构和通用图形结构。

Jan, 2021

本文提出了一个新的模型混合自动机（非确定性/概率性），它不仅包括了非确定性自动机，还包括了图形化概率模型，并且它配备了与图形化概率模型继承的并行组合、模拟关系和支持消息传递算法。Segala的概率自动机可以映射到混合自动机。

Jan, 2022

本文提出DAG-DB框架，采用离散反向传播技术从数据中学习有向无环图，其使用了内在概率分布采样二元邻接矩阵，然后学习分布的参数。

Oct, 2022

通过组合和计算的视角，研究了序列图的可实现性和不确定性。对于多个设置，包括窗口大小、图定向的有无以及权重的有无，考虑了序列图的实现和枚举的存在性。

Feb, 2024

基于变分贝叶斯推理框架，我们开发了一种在有向无环图中量化不确定性的方法，通过引入新的分布，该分布直接在DAG空间上支持，我们的方法 ProDAG 可以提供准确的推理，通常优于现有的先进方法。

May, 2024